CN112132291A - 一种应用于政务系统的智能大脑优化方法、装置、存储介质及终端 - Google Patents
一种应用于政务系统的智能大脑优化方法、装置、存储介质及终端 Download PDFInfo
- Publication number
- CN112132291A CN112132291A CN202010851473.8A CN202010851473A CN112132291A CN 112132291 A CN112132291 A CN 112132291A CN 202010851473 A CN202010851473 A CN 202010851473A CN 112132291 A CN112132291 A CN 112132291A
- Authority
- CN
- China
- Prior art keywords
- data
- artificial intelligence
- training
- evaluation data
- intelligence model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种应用于政务系统的智能大脑优化方法、装置、存储介质及终端,该方法包括:从政务系统大数据中获取人工智能模型的运算结果并生成运行评估数据;根据接收的反馈评估数据或运行评估数据中运算结果为错误的数据生成模拟训练数据;将运行评估数据或第一训练反馈评估数据以及模拟训练数据推送至人工智能模型进行训练,生成训练后的人工智能模型;获取训练后的人工智能模型对应的运算结果,结合运行评估数据生成第二训练反馈评估数据;根据第二训练反馈评估数据,确定是否将用于政务系统大数据的人工智能模型替换为训练后的人工智能模型。因此,采用本申请实施例,可以使得人工智能应用于政务领域时具有规范性、可管理性、可持续性,从而降低了人工智能技术应用于政务领域的复杂度。
Description
技术领域
本发明涉及人工智能技术领域,特别涉及一种应用于政务系统的智能大脑优化方法、装置、存储介质及终端。
背景技术
人工智能作为科技创新产物,在促进人类社会进步、经济建设和提升人们生活水平等方面起到越来越重要的作用。国内人工智能经过多年的发展,在安防、金融、客服、零售、医疗健康、广告营销、制造、农业等领域已经实现商用及规模效应。
现在政务领域也越来越希望引进人工智能提升服务和管理决策的能力,不过由于政务领域对于系统和数据的安全考虑,以及可直接利用的人工智能成品服务有限,现有技术都需要用人工智能技术结合客户实际情况进行定制训练,所以会存在以下几点问题:(1)以私有云部署实施为主,不同的人工智能技术应用必然增加技术维护的难度;(2)人工智能的训练学习调优一般都是通过线下技术人员的具体操作完成,必然造成安全管理风险。(3)由于人工智能需要不断训练学习,而这个过程对客户一般都是不可见的,那么必然面临对人工智能技术应用持续评估的困难。
发明内容
本申请实施例提供了一种应用于政务系统的智能大脑优化方法、装置、存储介质及终端。为了对披露的实施例的一些方面有一个基本的理解,下面给出了简单的概括。该概括部分不是泛泛评述,也不是要确定关键/重要组成元素或描绘这些实施例的保护范围。其唯一目的是用简单的形式呈现一些概念,以此作为后面的详细说明的序言。
第一方面,本申请实施例提供了一种应用于政务系统的智能大脑优化方法,方法包括:
从政务系统大数据中获取人工智能模型的运算结果;
当人工智能模型合法时,接收运算结果进行校验生成校验结果;
当校验结果的数据格式合法时,生成处理成功代码进行反馈并根据运算结果生成运行评估数据;
当接收到第一训练反馈评估数据时,针对运行评估数据或第一训练反馈评估数据中运算结果为错误的数据,基于预设算法和调参方式生成模拟训练数据;
将运行评估数据或第一训练反馈评估数据以及模拟训练数据推送至人工智能模型进行训练,生成训练后的人工智能模型;
获取训练后的人工智能模型对应的运算结果,结合运行评估数据生成第二训练反馈评估数据;
根据第二训练反馈评估数据,确定是否将用于政务系统大数据的人工智能模型替换为训练后的人工智能模型。
可选的,确定是否将生产运行环境中的人工智能模型替换为训练后的人工智能模型,包括:
通过预设机器算法计算第二训练反馈评估数据对应的合格率;
当合格率大于预设阈值时,停止训练人工智能模型。
可选的,停止训练人工智能模型之后,还包括:
将合格率发送至客户端进行展示;以及,
当接收到替换指令时,将政务系统大数据的人工智能模型替换为训练后的人工智能模型。
可选的,当人工智能模型合法时,包括:
获取运算结果中包含的身份标识与验证标识;
识别身份标识与验证标识生成识别结果;
当识别结果为成功的识别结果时,确定人工智能模型合法。
可选的,根据运算结果生成运行评估数据,包括:
采用预先设定的方式对运算结果进行评估,生成评估数据。
可选的,采用预先设定的方式对运算结果进行评估,生成评估数据,包括:
当运算结果中包含正确结果时,通过预先配置的模型进行结果验证,生成评估数据;以及,
当运算结果中不包含正确结果时,获取运算数据对应的用户评价;
分析用户评价,生成评估数据;以及,
当运算结果中不包含正确结果且不包含用户评价时,采用人机交互以及模型辅助的方式进行审查,生成评估数据。
可选的,针对运行评估数据或第一训练反馈评估数据中运算结果为错误的数据,基于预设算法和调参方式生成模拟训练数据,包括:
当接收到第一训练反馈评估数据时,获取运行评估数据或第一训练反馈评估数据中运算结果为错误的数据;
基于运算结果为错误的数据从预先储备的训练数据集中选择多个相关的训练数据样本及正确答案;
将多个相关的训练数据样本及正确答案确定为模拟训练数据。
第二方面,本申请实施例提供了一种应用于政务系统的智能大脑优化装置,装置包括:
运算结果获取模块,用于从政务系统大数据中获取人工智能模型的运算结果;
校验结果生成模块,用于当人工智能模型合法时,接收运算结果进行校验生成校验结果;
第一评估数据生成模块,用于当校验结果的数据格式合法时,生成处理成功代码进行反馈并根据运算结果生成运行评估数据;
模拟训练数据生成模块,用于当接收到第一训练反馈评估数据时,针对运行评估数据或第一训练反馈评估数据中运算结果为错误的数据,基于预设算法和调参方式生成模拟训练数据
模型训练模块,用于将运行评估数据或第一训练反馈评估数据以及模拟训练数据推送至人工智能模型进行训练,生成训练后的人工智能模型;
第二评估数据生成模块,用于获取训练后的人工智能模型对应的运算结果,结合运行评估数据生成第二训练反馈评估数据;
模型替换模块,用于根据第二训练反馈评估数据,确定是否将用于政务系统大数据的人工智能模型替换为训练后的人工智能模型。
第三方面,本申请实施例提供一种计算机存储介质,计算机存储介质存储有多条指令,指令适于由处理器加载并执行上述的方法步骤。
第四方面,本申请实施例提供一种终端,可包括:处理器和存储器;其中,存储器存储有计算机程序,计算机程序适于由处理器加载并执行上述的方法步骤。
本申请实施例提供的技术方案可以包括以下有益效果:
在本申请实施例中,应用于政务系统的智能大脑优化装置首先从政务系统大数据中获取人工智能模型的运算结果,再根据运算结果生成运行评估数据,当接收到第一训练反馈评估数据时,针对运行评估数据或第一训练反馈评估数据中运算结果为错误的数据,基于预设算法和调参方式生成模拟训练数据,然后将运行评估数据或第一训练反馈评估数据以及模拟训练数据推送至人工智能模型进行训练,生成训练后的人工智能模型,再获取训练后的人工智能模型对应的运算结果,结合运行评估数据生成第二训练反馈评估数据,最后根据第二训练反馈评估数据,确定是否将用于政务系统大数据的人工智能模型替换为训练后的人工智能模型。通过本技术体系,人工智能的运行与训练都可以被规范管理,结合体系内预置与积累的结果评估、模拟训练数据,同时配合训练效果的统计分析,可以提升人工智能模型学习训练的效率,可以使得人工智能应用于政务领域时具有规范性、可管理性、可持续性,从而降低了人工智能技术应用于政务领域的复杂度。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本发明。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本发明的实施例,并与说明书一起用于解释本发明的原理。
图1是本申请实施例提供的一种应用于政务系统的智能大脑优化方法的流程示意图;
图2是本申请实施例提供的一种政务系统某个人工智能模型训练过程的过程示意图;
图3是本申请实施例提供的另一种应用于政务系统的智能大脑优化装置的结构示意图;
图4是本申请实施例提供的一种终端的结构示意图。
具体实施方式
以下描述和附图充分地示出本发明的具体实施方案,以使本领域的技术人员能够实践它们。
应当明确,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反,它们仅是如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。
在本发明的描述中,需要理解的是,术语“第一”、“第二”等仅用于描述目的,而不能理解为指示或暗示相对重要性。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。此外,在本发明的描述中,除非另有说明,“多个”是指两个或两个以上。“和/或”,描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
到目前为止,现在政务领域也越来越希望引进人工智能提升服务和管理决策的能力,不过由于政务领域对于系统和数据的安全考虑,以及可直接利用的人工智能成品服务有限,现有技术都需要用人工智能技术结合客户实际情况进行定制训练,所以会存在以下几点问题:(1)以私有云部署实施为主,不同的人工智能技术应用必然增加技术维护的难度;(2)人工智能的训练学习调优一般都是通过线下技术人员的具体操作完成,必然造成安全管理风险。(3)由于人工智能需要不断训练学习,而这个过程对客户一般都是不可见的,那么必然面临对人工智能技术应用持续评估的困难。为此,本申请提供了一种应用于政务系统的智能大脑优化方法、装置、存储介质及终端,以解决上述相关技术问题中存在的问题。本申请提供的技术方案中,通过本技术体系,人工智能的运行与训练都可以被规范管理,结合体系内预置与积累的结果评估、模拟训练数据,同时配合训练效果的统计分析,可以提升人工智能模型学习训练的效率,可以使得人工智能应用于政务领域时具有规范性、可管理性、可持续性,从而降低了人工智能技术应用于政务领域的复杂度,下面采用示例性实施例进行详细说明。
下面将结合附图1-附图2,对本申请实施例提供的应用于政务系统的智能大脑优化方法进行详细介绍。
请参见图1,为本申请实施例提供了一种应用于政务系统的智能大脑优化方法的流程示意图。如图1所示,本申请实施例的方法可以包括以下步骤:
S101,从政务系统大数据中获取人工智能模型的运算结果;
其中,智能大脑是应用于政务系统的多个人工智能模型,政务系统大数据是系统的生产运行环境实时产生的各种数据形成的数据集合。人工智能模型可以理解成利用人工智能技术创建的程序代码,该程序代码运行在政务系统的生产运行环境中。运算结果是生产运行环境中的人工智能程序代码处理请求后生成的运算结果。
通常,在针对政务系统大数据的数据进行优化具体是首先通过对生产运行环境中部署的人工智能模型进行训练以及反馈评估,当评估结果不符合设定值时,继续训练,直到人工智能模型计算的运算结果评估后的结果符合设定值。然后将训练后的人工智能模型部署到生产运行环境,通过训练后的人工智能模型处理请求进行计算,使得计算后的运算结果更加精确,从而达到了优化政务系统中数据的目的。
在一种可能的实现方式中,在进行应用于政务系统的智能大脑优化时,首先需要训练生产运行环境中的人工智能模型。在对生产运行环境中的人工智能模型进行训练时,首先需要通过协议接口获取生产运行环境中的人工智能模型的运算结果。运算结果中包含有身份标识、验证标识、输入信息、运算结果、用户评价(如果有)、正确结果(如果有)、开始处理时间、处理完成时间。
进一步地,通过协议接口获取运算结果的方式包括两种方式,一种是单条触发的可以通过http restful或API方式进行获取。另一种则是批量的可以通过数据库交互进行获取。
需要说明的是,本申请政务系统包括多个人工智能模型,本申请以某一个进行举例说明。
S102,当人工智能模型合法时,接收运算结果进行校验生成校验结果;
其中,人工智能模型是否合法是根据运算结果中包含的身份标识以及验证标识进行确认。
在本申请实施例中,在获取到运算结果后,从运算结果中获取包含的身份标识与验证标识,然后识别身份标识与验证标识生成识别结果,最后当识别结果为成功的识别结果时,确定人工智能模型合法。当人工智能模型合法时,接收运算结果进行校验生成校验结果。
在一种可能的实现方式中,基于步骤S101可获取到生产运行环境中的人工智能模型生成的运算结果,首先通过身份标识与验证标识去进行服务合法性确认,只有在之前注册并获得合法身份的人工智能模型才能通过,如果身份验证为不通过,则返回代表身份验证不通过的错误代码,如果身份验证通过,则人工智能模型为合法,并接收运算结果并校验人工智能模型的运算结果。
S103,当校验结果的数据格式合法时,生成处理成功代码进行反馈并根据运算结果生成运行评估数据;
在一种可能的实现方式中,在校验人工智能模型的运算结果生成校验结果,目的是确保提供的是合法的运算结果而不是其他无效数据,当校验结果确定运算结果的数据格式合法时,反馈成功处理代码并根据运算结果生成运行评估数据。
进一步地,在根据运算结果生成运行评估数据时,针对获取的运算结果通过人工或模型进行评估,评估的目的是给出人工智能运算结果是否正确及正确答案,从而形成运行评估数据。
进一步地,当运算结果中包含正确结果时,通过预先配置的模型进行结果验证,生成评估数据;以及,当运算结果中不包含正确结果时,获取运算数据对应的用户评价;分析用户评价,生成评估数据;以及,当运算结果中不包含正确结果且不包含用户评价时,采用人机交互以及模型辅助的方式进行审查,生成评估数据。
具体的,针对获取的运算结果通过人工或模型进行评估,评估的目的是给出人工智能运算结果是否正确及正确答案,从而形成运行评估数据;如果接收的运算结果中已经包含了正确结果,则可以通过事先配置好的对应的模型进行结果验证,形成评估数据;如果接收的运算结果中未包含正确结果,但包含用户评价,则可以通过对用户评价的分析间接形成评估数据;如果在上一步接收的运算结果中未包含正确结果和用户评价,则提供一个审查的专用便捷的工作界面,用户可以高效进行结果审查;同时利用积累的适合的审查模型辅助人工进行快捷的审查参考,以形成运行评估数据。
S104,当接收到第一训练反馈评估数据时,针对运行评估数据或第一训练反馈评估数据中运算结果为错误的数据,基于预设算法和调参方式生成模拟训练数据;
通常,训练反馈评估数据是根据实施场景接收的,当训练学习环境下运算结果出现错误时才会接收到训练反馈评估数据,否则接收不到。
在本申请实施例中,当接收到第一训练反馈评估数据时,首先获取运行评估数据或第一训练反馈评估数据中运算结果为错误的数据,然后基于运算结果为错误的数据从预先储备的训练数据集中选择多个相关的训练数据样本及正确答案,最后将多个相关的训练数据样本及正确答案确定为模拟训练数据。
在一种可能的实现方式中,当形成运行评估数据以及接收到训练反馈评估数据时,根据运行评估数据以及训练反馈评估数据生成更多相关的训练数据及正确答案,具体为针对运行评估数据和训练反馈评估中运算结果为错误的情况,利用一些算法配合人工调参方式模拟生成更多相关的训练数据及对应答案。
需要说明的是,此时的更多相关的训练数据及正确答案为模拟训练数据。
具体的,首先需要储备适合的一些训练数据集作为素材基础,并为这些训练数据打好一些特征标记,根据可能出现的错误情况建立好几种分类处理方式,可以将素材数据与错误特征结合以模拟形成新的训练数据;当然错误之间也会有相应的联系及权重,从而形成有关联的错误模拟数据也会被触发生成。每一次生成的模拟数据都会被打上时间戳批号,以便后续跟踪检查。这里的素材库、特征标记、处理方式及错误关联模型都可以不断调整丰富,以适应不断的发展变化。
S105,将运行评估数据或第一训练反馈评估数据以及模拟训练数据推送至人工智能模型进行训练,生成训练后的人工智能模型;
在一种可能的实现方式中,将运行评估数据或训练反馈评估数据及模拟训练数据一并通过通用接口推给训练学习环境下的人工智能进行再训练,训练结束后生成训练后的人工智能模型。其中,通用接口主要以批量方式通过数据库交互。将训练数据推送到特定数据库并通过消息方式通知该人工智能服务。训练数据包括数据批号、数据类型、数据内容、正确答案等信息。人工智能将接收到的训练数据按自己的方式进行模型调整、参数调优、训练验证,以不断提升自己的智能水平。
S106,获取训练后的人工智能模型对应的运算结果,结合运行评估数据生成第二训练反馈评估数据;
在本申请实施例中,首先通过预设机器算法计算第二训练反馈评估数据对应的合格率,当合格率大于预设阈值时,停止训练人工智能模型。然后将合格率发送至客户端进行展示,以及当接收到替换指令时,最后将政务系统大数据的人工智能模型替换为训练后的人工智能模型。
在一种可能的实现方式中,在生产运行环境中的人工智能模型训练结束后,此时训练学习环境下的人工智能会进行计算生成一些运算结果,通过通用接口获取训练学习环境下的人工智能的运算结果,结合之前评估数据形成新的综合训练反馈评估数据,通过机器算法计算出合格率或提升率,如果不达标,则跳到步骤S104进行再次循环的训练。
S107,根据第二训练反馈评估数据,确定是否将用于政务系统大数据的人工智能模型替换为训练后的人工智能模型。
在一种可能的实现方式中,用户可通过客户端随时查看生产运行环境下人工智能的运行效果和训练学习环境下的人工智能的训练效果,同时也可以决定是否将训练学习环境下的人工智能替换到生产运行环境之下。
例如图2所示,图2是本申请实施例提供的某个人工智能模型的训练体系架构示意图,该训练体系架构包括训练学习环境以及生产运行环境。首先通过标准接口获取生产运行环境下的人工智能的运算结果,再针对获取的运算结果通过人工或模型进行评估,评估的目的是给出人工智能模型运算结果是否正确及正确答案,从而形成运行评估数据,再针对运行评估数据或训练反馈评估中运算结果为错误的情况,利用人工或程序模拟生成相关的训练数据及正确答案,然后将运行评估数据和训练反馈评估数据以及相关的训练数据及正确答案(模拟训练数据)一并通过标准接口推送给训练学习环境下的人工智能,再通过标准接口获取训练学习环境下的人工智能模型的运算结果,形成训练反馈评估数据,如果其中存在运算结果为错误的情况,则跳回步骤3,最后用户可通过客户端随时查看生产运行环境下人工智能的运行效果和训练学习环境下的人工智能的训练效果,同时也可以决定是否将训练学习环境下的人工智能替换到生产运行环境之下。
在本申请实施例中,应用于政务系统的智能大脑优化装置首先从政务系统大数据中获取人工智能模型的运算结果,再根据运算结果生成运行评估数据,当接收到第一训练反馈评估数据时,针对运行评估数据或第一训练反馈评估数据中运算结果为错误的数据,基于预设算法和调参方式生成模拟训练数据,然后将运行评估数据或第一训练反馈评估数据以及模拟训练数据推送至人工智能模型进行训练,生成训练后的人工智能模型,再获取训练后的人工智能模型对应的运算结果,结合运行评估数据生成第二训练反馈评估数据,最后根据第二训练反馈评估数据,确定是否将用于政务系统大数据的人工智能模型替换为训练后的人工智能模型。通过本技术体系,人工智能的运行与训练都可以被规范管理,结合体系内预置与积累的结果评估、模拟训练数据,同时配合训练效果的统计分析,可以提升人工智能模型学习训练的效率,可以使得人工智能应用于政务领域时具有规范性、可管理性、可持续性,从而降低了人工智能技术应用于政务领域的复杂度。
下述为本发明装置实施例,可以用于执行本发明方法实施例。对于本发明装置实施例中未披露的细节,请参照本发明方法实施例。
请参见图3,其示出了本发明一个示例性实施例提供的应用于政务系统的智能大脑优化装置的结构示意图。该应用于政务系统的智能大脑优化装置可以通过软件、硬件或者两者的结合实现成为设备的全部或一部分。该装置1包括运算结果获取模块10、校验结果生成模块20、第一评估数据生成模块30、模拟训练数据生成模块40、模型训练模块50、第二评估数据生成模块60、模型替换模块70。
运算结果获取模块10,用于从政务系统大数据中获取人工智能模型的运算结果;
校验结果生成模块20,用于当人工智能模型合法时,接收运算结果进行校验生成校验结果;
第一评估数据生成模块30,用于当校验结果的数据格式合法时,生成处理成功代码进行反馈并根据运算结果生成运行评估数据;
模拟训练数据生成模块40,用于当接收到第一训练反馈评估数据时,针对运行评估数据或第一训练反馈评估数据中运算结果为错误的数据,基于预设算法和调参方式生成模拟训练数据
模型训练模块50,用于将运行评估数据或第一训练反馈评估数据以及模拟训练数据推送至人工智能模型进行训练,生成训练后的人工智能模型;
第二评估数据生成模块60,用于获取训练后的人工智能模型对应的运算结果,结合运行评估数据生成第二训练反馈评估数据;
模型替换模块70,用于根据第二训练反馈评估数据,确定是否将用于政务系统大数据的人工智能模型替换为训练后的人工智能模型。
需要说明的是,上述实施例提供的应用于政务系统的智能大脑优化装置在应用于政务系统的智能大脑优化方法时,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将设备的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。另外,上述实施例提供的应用于政务系统的智能大脑优化装置与应用于政务系统的智能大脑优化方法实施例属于同一构思,其体现实现过程详见方法实施例,这里不再赘述。
上述本申请实施例序号仅仅为了描述,不代表实施例的优劣。
在本申请实施例中,应用于政务系统的智能大脑优化装置首先从政务系统大数据中获取人工智能模型的运算结果,再根据运算结果生成运行评估数据,当接收到第一训练反馈评估数据时,针对运行评估数据或第一训练反馈评估数据中运算结果为错误的数据,基于预设算法和调参方式生成模拟训练数据,然后将运行评估数据或第一训练反馈评估数据以及模拟训练数据推送至人工智能模型进行训练,生成训练后的人工智能模型,再获取训练后的人工智能模型对应的运算结果,结合运行评估数据生成第二训练反馈评估数据,最后根据第二训练反馈评估数据,确定是否将用于政务系统大数据的人工智能模型替换为训练后的人工智能模型。通过本技术体系,人工智能的运行与训练都可以被规范管理,结合体系内预置与积累的结果评估、模拟训练数据,同时配合训练效果的统计分析,可以提升人工智能模型学习训练的效率,可以使得人工智能应用于政务领域时具有规范性、可管理性、可持续性,从而降低了人工智能技术应用于政务领域的复杂度。
本发明还提供一种计算机可读介质,其上存储有程序指令,该程序指令被处理器执行时实现上述各个方法实施例提供的应用于政务系统的智能大脑优化方法。
本发明还提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述各个方法实施例的应用于政务系统的智能大脑优化方法。
请参见图4,为本申请实施例提供了一种终端的结构示意图。如图4所示,终端1000可以包括:至少一个处理器1001,至少一个网络接口1004,用户接口1003,存储器1005,至少一个通信总线1002。
其中,通信总线1002用于实现这些组件之间的连接通信。
其中,用户接口1003可以包括显示屏(Display)、摄像头(Camera),可选用户接口1003还可以包括标准的有线接口、无线接口。
其中,网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。
其中,处理器1001可以包括一个或者多个处理核心。处理器1001利用各种借口和线路连接整个终端1000内的各个部分,通过运行或执行存储在存储器1005内的指令、程序、代码集或指令集,以及调用存储在存储器1005内的数据,执行终端1000的各种功能和处理数据。可选的,处理器1001可以采用数字信号处理(Digital Signal Processing,DSP)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)、可编程逻辑阵列(Programmable Logic Array,PLA)中的至少一种硬件形式来实现。处理器1001可集成中央处理器(Central Processing Unit,CPU)、图像处理器(Graphics Processing Unit,GPU)和调制解调器等中的一种或几种的组合。其中,CPU主要处理操作系统、用户界面和应用程序等;GPU用于负责显示屏所需要显示的内容的渲染和绘制;调制解调器用于处理无线通信。可以理解的是,上述调制解调器也可以不集成到处理器1001中,单独通过一块芯片进行实现。
其中,存储器1005可以包括随机存储器(Random Access Memory,RAM),也可以包括只读存储器(Read-Only Memory)。可选的,该存储器1005包括非瞬时性计算机可读介质(non-transitory computer-readable storage medium)。存储器1005可用于存储指令、程序、代码、代码集或指令集。存储器1005可包括存储程序区和存储数据区,其中,存储程序区可存储用于实现操作系统的指令、用于至少一个功能的指令(比如触控功能、声音播放功能、图像播放功能等)、用于实现上述各个方法实施例的指令等;存储数据区可存储上面各个方法实施例中涉及到的数据等。存储器1005可选的还可以是至少一个位于远离前述处理器1001的存储装置。如图4所示,作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及应用于政务系统的智能大脑优化应用程序。
在图4所示的终端1000中,用户接口1003主要用于为用户提供输入的接口,获取用户输入的数据;而处理器1001可以用于调用存储器1005中存储的应用于政务系统的智能大脑优化应用程序,并具体执行以下操作:
从政务系统大数据中获取人工智能模型的运算结果;
当人工智能模型合法时,接收运算结果进行校验生成校验结果;
当校验结果的数据格式合法时,生成处理成功代码进行反馈并根据运算结果生成运行评估数据;
当接收到第一训练反馈评估数据时,针对运行评估数据或第一训练反馈评估数据中运算结果为错误的数据,基于预设算法和调参方式生成模拟训练数据;
将运行评估数据或第一训练反馈评估数据以及模拟训练数据推送至人工智能模型进行训练,生成训练后的人工智能模型;
获取训练后的人工智能模型对应的运算结果,结合运行评估数据生成第二训练反馈评估数据;
根据第二训练反馈评估数据,确定是否将用于政务系统大数据的人工智能模型替换为训练后的人工智能模型。
在一个实施例中,处理器1001在执行确定是否将生产运行环境中的人工智能模型替换为训练后的人工智能模型时,具体执行以下操作:
通过预设机器算法计算第二训练反馈评估数据对应的合格率;
当合格率大于预设阈值时,停止训练人工智能模型。
在一个实施例中,处理器1001在执行停止训练人工智能模型之后时,还执行以下操作:
将合格率发送至客户端进行展示;以及,
当接收到替换指令时,将政务系统大数据的人工智能模型替换为训练后的人工智能模型。
在一个实施例中,处理器1001在执行当人工智能模型合法时,具体执行以下操作:
获取运算结果中包含的身份标识与验证标识;
识别身份标识与验证标识生成识别结果;
当识别结果为成功的识别结果时,确定人工智能模型合法。
在一个实施例中,处理器1001在执行根据运算结果生成运行评估数据时,具体执行以下操作:
采用预先设定的方式对运算结果进行评估,生成评估数据。
在一个实施例中,处理器1001在执行采用预先设定的方式对运算结果进行评估,生成评估数据时,具体执行以下操作:
当运算结果中包含正确结果时,通过预先配置的模型进行结果验证,生成评估数据;以及,
当运算结果中不包含正确结果时,获取运算数据对应的用户评价;
分析用户评价,生成评估数据;以及,
当运算结果中不包含正确结果且不包含用户评价时,采用人机交互以及模型辅助的方式进行审查,生成评估数据。
在一个实施例中,处理器1001在执行针对运行评估数据或第一训练反馈评估数据中运算结果为错误的数据,基于预设算法和调参方式生成模拟训练数据时,具体执行以下操作:
当接收到第一训练反馈评估数据时,获取运行评估数据或第一训练反馈评估数据中运算结果为错误的数据;
基于运算结果为错误的数据从预先储备的训练数据集中选择多个相关的训练数据样本及正确答案;
将多个相关的训练数据样本及正确答案确定为模拟训练数据。
在本申请实施例中,应用于政务系统的智能大脑优化装置首先从政务系统大数据中获取人工智能模型的运算结果,再根据运算结果生成运行评估数据,当接收到第一训练反馈评估数据时,针对运行评估数据或第一训练反馈评估数据中运算结果为错误的数据,基于预设算法和调参方式生成模拟训练数据,然后将运行评估数据或第一训练反馈评估数据以及模拟训练数据推送至人工智能模型进行训练,生成训练后的人工智能模型,再获取训练后的人工智能模型对应的运算结果,结合运行评估数据生成第二训练反馈评估数据,最后根据第二训练反馈评估数据,确定是否将用于政务系统大数据的人工智能模型替换为训练后的人工智能模型。通过本技术体系,人工智能的运行与训练都可以被规范管理,结合体系内预置与积累的结果评估、模拟训练数据,同时配合训练效果的统计分析,可以提升人工智能模型学习训练的效率,可以使得人工智能应用于政务领域时具有规范性、可管理性、可持续性,从而降低了人工智能技术应用于政务领域的复杂度。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,的程序可存储于计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,的存储介质可为磁碟、光盘、只读存储记忆体或随机存储记忆体等。
以上所揭露的仅为本申请较佳实施例而已,当然不能以此来限定本申请之权利范围,因此依本申请权利要求所作的等同变化,仍属本申请所涵盖的范围。
Claims (10)
1.一种应用于政务系统的智能大脑优化方法,其特征在于,所述方法包括:
从政务系统大数据中获取人工智能模型的运算结果;
当所述人工智能模型合法时,接收所述运算结果进行校验生成校验结果;
当所述校验结果的数据格式合法时,生成处理成功代码进行反馈并根据所述运算结果生成运行评估数据;
当接收到第一训练反馈评估数据时,针对所述运行评估数据或第一训练反馈评估数据中运算结果为错误的数据,基于预设算法和调参方式生成模拟训练数据;
将所述运行评估数据或第一训练反馈评估数据以及模拟训练数据推送至所述人工智能模型进行训练,生成训练后的人工智能模型;
获取所述训练后的人工智能模型对应的运算结果,结合所述运行评估数据生成第二训练反馈评估数据;
根据所述第二训练反馈评估数据,确定是否将用于所述政务系统大数据的人工智能模型替换为所述训练后的人工智能模型。
2.根据权利要求1所述的方法,其特征在于,所述确定是否将所述生产运行环境中的人工智能模型替换为所述训练后的人工智能模型,包括:
通过预设机器算法计算所述第二训练反馈评估数据对应的合格率;
当所述合格率大于预设阈值时,停止训练所述人工智能模型。
3.根据权利要求2所述的方法,其特征在于,所述停止训练所述人工智能模型之后,还包括:
将所述合格率发送至客户端进行展示;以及,
当接收到替换指令时,将所述政务系统大数据的人工智能模型替换为所述训练后的人工智能模型。
4.根据权利要求1所述的方法,其特征在于,所述当所述人工智能模型合法时,包括:
获取所述运算结果中包含的身份标识与验证标识;
识别所述身份标识与验证标识生成识别结果;
当所述识别结果为成功的识别结果时,确定所述人工智能模型合法。
5.根据权利要求1所述的方法,其特征在于,所述根据所述运算结果生成运行评估数据,包括:
采用预先设定的方式对所述运算结果进行评估,生成评估数据。
6.根据权利要求5所述的方法,其特征在于,所述采用预先设定的方式对所述运算结果进行评估,生成评估数据,包括:
当所述运算结果中包含正确结果时,通过预先配置的模型进行结果验证,生成评估数据;以及,
当所述运算结果中不包含正确结果时,获取运算数据对应的用户评价;
分析所述用户评价,生成评估数据;以及,
当所述运算结果中不包含正确结果且不包含用户评价时,采用人机交互以及模型辅助的方式进行审查,生成评估数据。
7.根据权利要求1所述的方法,其特征在于,所述针对所述运行评估数据或第一训练反馈评估数据中运算结果为错误的数据,基于预设算法和调参方式生成模拟训练数据,包括:
当接收到第一训练反馈评估数据时,获取所述运行评估数据或第一训练反馈评估数据中运算结果为错误的数据;
基于所述运算结果为错误的数据从所述预先储备的训练数据集中选择多个相关的训练数据样本及正确答案;
将所述多个相关的训练数据样本及正确答案确定为模拟训练数据。
8.一种应用于政务系统的智能大脑优化装置,其特征在于,所述装置包括:
运算结果获取模块,用于从政务系统大数据中获取人工智能模型的运算结果;
校验结果生成模块,用于当所述人工智能模型合法时,接收所述运算结果进行校验生成校验结果;
第一评估数据生成模块,用于当所述校验结果的数据格式合法时,生成处理成功代码进行反馈并根据所述运算结果生成运行评估数据;
模拟训练数据生成模块,用于当接收到第一训练反馈评估数据时,针对所述运行评估数据或第一训练反馈评估数据中运算结果为错误的数据,基于预设算法和调参方式生成模拟训练数据
模型训练模块,用于将所述运行评估数据或第一训练反馈评估数据以及模拟训练数据推送至所述人工智能模型进行训练,生成训练后的人工智能模型;
第二评估数据生成模块,用于获取所述训练后的人工智能模型对应的运算结果,结合所述运行评估数据生成第二训练反馈评估数据;
模型替换模块,用于根据所述第二训练反馈评估数据,确定是否将用于所述政务系统大数据的人工智能模型替换为所述训练后的人工智能模型。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行实现如权利要求1-7中任一项所述的方法。
10.一种终端,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器运行所述计算机程序以实现如权利要求1-7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010851473.8A CN112132291B (zh) | 2020-08-21 | 2020-08-21 | 应用于政务系统的智能大脑优化方法、装置、介质及终端 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010851473.8A CN112132291B (zh) | 2020-08-21 | 2020-08-21 | 应用于政务系统的智能大脑优化方法、装置、介质及终端 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112132291A true CN112132291A (zh) | 2020-12-25 |
CN112132291B CN112132291B (zh) | 2021-06-15 |
Family
ID=73851072
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010851473.8A Active CN112132291B (zh) | 2020-08-21 | 2020-08-21 | 应用于政务系统的智能大脑优化方法、装置、介质及终端 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112132291B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113759758A (zh) * | 2021-09-13 | 2021-12-07 | 河南工业职业技术学院 | 一种基于物联网的智能控制系统 |
CN116933062A (zh) * | 2023-09-18 | 2023-10-24 | 中孚安全技术有限公司 | 一种文件智能判定系统及方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109934341A (zh) * | 2017-11-13 | 2019-06-25 | 埃森哲环球解决方案有限公司 | 训练、验证以及监测人工智能和机器学习的模型 |
CN110580528A (zh) * | 2019-08-29 | 2019-12-17 | 广东浪潮大数据研究有限公司 | 网络模型生成方法及装置 |
US20200012963A1 (en) * | 2014-10-28 | 2020-01-09 | Groupon, Inc. | Curating Training Data For Incremental Re-Training Of A Predictive Model |
CN110705712A (zh) * | 2018-12-24 | 2020-01-17 | 杭州中软安人网络通信股份有限公司 | 面向第三方社会服务的人工智能基础资源与技术开放平台 |
US10540607B1 (en) * | 2013-12-10 | 2020-01-21 | Plentyoffish Media Ulc | Apparatus, method and article to effect electronic message reply rate matching in a network environment |
CN110766164A (zh) * | 2018-07-10 | 2020-02-07 | 第四范式(北京)技术有限公司 | 用于执行机器学习过程的方法和系统 |
US10614373B1 (en) * | 2013-12-23 | 2020-04-07 | Groupon, Inc. | Processing dynamic data within an adaptive oracle-trained learning system using curated training data for incremental re-training of a predictive model |
CN111126623A (zh) * | 2019-12-17 | 2020-05-08 | 支付宝(杭州)信息技术有限公司 | 一种模型更新方法、装置及设备 |
CN111199279A (zh) * | 2019-10-30 | 2020-05-26 | 山东浪潮人工智能研究院有限公司 | 一种警务行业云端边缘计算和人工智能融合方法及装置 |
US10936974B2 (en) * | 2018-12-24 | 2021-03-02 | Icertis, Inc. | Automated training and selection of models for document analysis |
-
2020
- 2020-08-21 CN CN202010851473.8A patent/CN112132291B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10540607B1 (en) * | 2013-12-10 | 2020-01-21 | Plentyoffish Media Ulc | Apparatus, method and article to effect electronic message reply rate matching in a network environment |
US10614373B1 (en) * | 2013-12-23 | 2020-04-07 | Groupon, Inc. | Processing dynamic data within an adaptive oracle-trained learning system using curated training data for incremental re-training of a predictive model |
US20200012963A1 (en) * | 2014-10-28 | 2020-01-09 | Groupon, Inc. | Curating Training Data For Incremental Re-Training Of A Predictive Model |
CN109934341A (zh) * | 2017-11-13 | 2019-06-25 | 埃森哲环球解决方案有限公司 | 训练、验证以及监测人工智能和机器学习的模型 |
CN110766164A (zh) * | 2018-07-10 | 2020-02-07 | 第四范式(北京)技术有限公司 | 用于执行机器学习过程的方法和系统 |
CN110705712A (zh) * | 2018-12-24 | 2020-01-17 | 杭州中软安人网络通信股份有限公司 | 面向第三方社会服务的人工智能基础资源与技术开放平台 |
US10936974B2 (en) * | 2018-12-24 | 2021-03-02 | Icertis, Inc. | Automated training and selection of models for document analysis |
CN110580528A (zh) * | 2019-08-29 | 2019-12-17 | 广东浪潮大数据研究有限公司 | 网络模型生成方法及装置 |
CN111199279A (zh) * | 2019-10-30 | 2020-05-26 | 山东浪潮人工智能研究院有限公司 | 一种警务行业云端边缘计算和人工智能融合方法及装置 |
CN111126623A (zh) * | 2019-12-17 | 2020-05-08 | 支付宝(杭州)信息技术有限公司 | 一种模型更新方法、装置及设备 |
Non-Patent Citations (2)
Title |
---|
PARAG JOSE CHACKO等: "Optimization & validation of Intelligent Energy Management System for pseudo dynamic predictive regulation of plug-in hybrid electric vehicle as donor clients", 《ETRANSPORTATION》 * |
亢良伊等: "可扩展机器学习的并行与分布式优化算法综述", 《软件学报》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113759758A (zh) * | 2021-09-13 | 2021-12-07 | 河南工业职业技术学院 | 一种基于物联网的智能控制系统 |
CN113759758B (zh) * | 2021-09-13 | 2023-05-26 | 河南工业职业技术学院 | 一种基于物联网的智能控制系统 |
CN116933062A (zh) * | 2023-09-18 | 2023-10-24 | 中孚安全技术有限公司 | 一种文件智能判定系统及方法 |
CN116933062B (zh) * | 2023-09-18 | 2023-12-15 | 中孚安全技术有限公司 | 一种文件智能判定系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112132291B (zh) | 2021-06-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109450771B (zh) | 添加好友的方法、装置、计算机设备及存储介质 | |
CN112132291B (zh) | 应用于政务系统的智能大脑优化方法、装置、介质及终端 | |
CN109218390B (zh) | 用户筛选方法及装置 | |
CN106649500A (zh) | 数据核对方法及系统 | |
CN110490651B (zh) | 信息推送方法、装置、设备及计算机可读存储介质 | |
CN105719112A (zh) | 配送异常状态的确定方法、装置及服务器 | |
CN111143813B (zh) | 一种验证问题的生成方法、验证方法及装置 | |
CN109960647A (zh) | 一种软件测试方法及装置、计算设备和存储介质 | |
CN106649638A (zh) | 一种大数据获取方法 | |
CN109213758A (zh) | 数据存取方法、装置、设备及计算机可读存储介质 | |
US11514815B1 (en) | System, method, and device for generating flight training scheme oriented to individual difference | |
CN114118681A (zh) | 一种专家选取方法及装置 | |
CN114443690A (zh) | 一种vr应用与平台数据交互的方法与系统 | |
CN113986730A (zh) | 邀约文件测试方法、装置、设备及存储介质 | |
CN111325572B (zh) | 一种数据处理方法及装置 | |
CN114218288B (zh) | 一种行车路线推荐方法、装置、存储介质及终端 | |
CN111933133A (zh) | 智能客服应答的方法及装置、电子设备、存储介质 | |
CN114917590B (zh) | 一种虚拟现实的游戏系统 | |
CN109408104B (zh) | 一种获取游戏整合信息的方法及装置 | |
KR20210003547A (ko) | Gan을 이용한 웹사이트 자동생성 방법, 장치 및 프로그램 | |
CN111159609A (zh) | 属性信息修改方法及相关装置 | |
CN115828022A (zh) | 一种数据识别方法、联邦训练模型、装置和设备 | |
CN105592446A (zh) | 信息交互方法及平台 | |
CN111382263B (zh) | 数据处理方法、装置和系统 | |
CN114116449A (zh) | 一种自动化测试用例的参数化方法、装置及电子设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |